Tech-studenter gjør seg attraktive ved å ofre sommerferien. Disse laget et unikt prognoseverkøy

OSLO SENTRUM (digi.no): Midt på sommeren flokker mange til badeliv, spennende reiser, de bruker ekstra tid på venner, familie og opplevelser ute i den glohete sola.

Andre bruker ferieperioden til jobb. En rekke tech-studenter lar seg lokke til «summer internships». Her som ellers er det trangt om plassene hos de mest attraktive arbeidsgiverne.

De som passerer nåløyet og får sommerjobb ender ikke bare opp med relevant erfaring fra arbeidslivet. Ofte er dette første gang de får kombinert teori og akademisk kompetanse med reelle utviklingsprosjekter og markedsbehov.

I 6 uker har et dusin unge voksne, som tar utdanning innen IT, design og ingeniørfag, gjort nytte for seg hos Sparebank1 Forsikring.

Maskinlæring og shuffleboard

Tre av dem har laget et unikt prognoseverktøy som forsikringsselskapet nå tar i bruk:

Sondre Brekke har et år igjen av sivilingeniørstudiet indøk på NTNU Gløshaugen. Siddise Hirpa er ferdig med en informatikkbachelor ved samme campus. Niklas Johansen tar snart fatt på sisteåret ved Oslomet, der han studerer til dataingeniør.

– Det er noe helt annet å få jobbe med ting som skal ut i produksjon, fremfor på skolebenken, mener Hirpa.

Hun legger til at det er utrolig mange teknologistudenter som søker på summer internships. Det er nesten blitt normen.

Hos forsikringsselskapet har trekløveret fått jobbe i ML-AI eller teamet som sysler med maskinlæring og kunstig intelligens.

Oppgaven var nokså løst formulert, slik at studentene har fått vide rammer til selv å påvirke hva de skulle gjøre, med egne teknologivalg og mer til.

– Vi får betalt for dette også, men lønn er bare en hyggelig bonus. Det viktigste har vært det vi får av erfaring og kompetanse, sier Sondre Brekke.

Ved siden av de mer seriøse oppgavene, har det også vært tid til lek og moro.

Studentene har blant annet bidratt til å lage en virtuell scoreboard til shuffleboard, som regner ut poeng ved hjelp av maskinlæring og geometrisk beregning av hvor de røde og blå puckene havner på spillbordet.

Spår om framtiden

Seks ukers arbeid har resultert i en løsning kalt «PRAPP» (kort for prognose analyse produkt person). Det er en webapplikasjon som kan predikere fremtidig salg av forsikringsprodukter.

– Her prøver vi på sett og vis å erstatte noe som før ble gjort ved at produktsjefer går i dialog og snakker med forsikringsanalytikere om sine behov, forklarer ML-AI-teamleader Lars Leganger i Sparebank1 Forsikring.

PRAPP tar over noe jobb som tidligere krevde involvering av analytikere, en kostbar ressurs som heller ikke vokser på trær. Analytikerne kan bruke tiden sin på mer kompliserte oppgaver.

– Vi er veldig fornøyd med studentene. De har laget en fullstack applikasjon fra ende til annen. Det kan være utfordrende å komme rett fra skolebenken og sette seg inn i ny teknologi, men de har fått mye frihet under ansvar og de har gjort en god jobb, mener aktuar og forsikringsmatematiker Knut Aasen.

Presser ned kostnader

Maskinlæring blir brukt til å prøve å forutse en utvikling eller trend. Modellene blir trent på store mengder historiske data. Samtidig er det lagt vekt på funksjonalitet som lar såkalte ekspertkommentatorer legge inn datapunkter manuelt.

Ekspertenes vurderinger er en viktig ingrediens. Slik kan analytikere legge inn innsikt, og slik påvirke også fremskrevne trender og utviklingstrekk innenfor ulike områder. Ut kommer det prognoser og grafer i ulike dashboard.

Programvare for rapportering hadde de fra tidligere. Det nye er at de nå kan begynne å lage prognoser, også uten å involvere analytikere.

– Dette presser ned kostnadene som er forbundet med prediksjoner. Før har det kanskje vært for dyrt å gjøre prediksjoner på hvert eneste forsikringsprodukt, sier Knut Aasen i Sparebank1 Forsikring.

Løsningen studentene har laget blir nå et verktøy som selskapets produktsjefer skal begynne å bruke internt.

Profet fra Facebook

Tett samarbeid og bidrag fra alle deltakerne har stått sentralt i utviklingsløpet. Det intensive arbeidet begynte med en såkalt Google Design Sprint. Det er et konsept for å klekke ut idéer og prototyper i løpet av bare fem dager.

Halvannen måned senere sto løsningen klar til bruk. Det hele er utviklet ved hjelp av teknologi Facebook har utgitt i åpen kildekode.

Klientsiden er laget i det velkjente rammeverket React, som studentene kjente fra før. De var litt mer låst til Python på backend, fordi det allerede brukes av forsikringsselskapet og deres matematikere.

Her falt valget på prognosevektøyet Prophet, også det utviklet og gitt ut av Facebook, samt også kontinuerlige leveranser med Docker-baserte konteinere.

– Vi mater inn data og slipper å bruke en masse tid på selve maskinlæringen hvor du må trene modeller og foreta mye tuning. Prophet gjør hele den prosessen for oss, forteller Niklas Johansen.

Ifølge ham er det derfor aggregeringsprosessen med innsamling av store mengder data, og samle disse i ett produkt som de har brukt aller mest tid på.

Etter det vellykkede sommeroppdraget har studentene skaffet seg en god fot innenfor hos oppdragsgiveren, skulle det friste med fast jobb senere. Men etter det digi.no får opplyst har minst en av dem allerede takket ja til jobb et annet sted, hos et IT-konsulentselskap.